Analisi bibliometrica - I docenti del DMIF
Introduzione
Che cosa è la bibliometria?
La bibliometria è una disciplina che utilizza analisi quantitative e statistiche per analizzare le pubblicazioni scientifiche e le loro relazioni.
Il progetto si focalizza sull’analisi della produzione scientifica dei docenti del dipartimento DMIF dell’Università degli Studi di Udine, per cercare di dare una stima di:
come funziona la ricerca
quali sono i settori di maggiore interesse
gli autori più prolifici.
Per supporto all’analisi è stata utilizzata una libreria, Bibliometrix (Aria and Cuccurullo 2017), sviluppata da due docenti dell’Università di Napoli.
Fonte dei dati
I dati analizzati in questo progetto sono stati scaricati (ultimo download: 15/07/2024) da Scopus, uno dei principali dabatase bibliografici. E’ stata selezionata la sotto area “computer science” e successivamente sono stati selezionati 31 autori del DMIF, tra docenti e dottorandi.
Ogni articolo del dataframe contiene svariati attributi tra cui: la lista di autori, il titolo del documento, la sorgente di pubblicazione, il tipo di documento, le parole chiavi degli autori, le references, il numero di citazioni e l’anno di pubblicazione.
Analisi bibliometrica
Analisi descrittiva del dataframe
La tabella delle informazioni principali descrive le dimensioni della raccolta in termini di numero di documenti, numero di autori, numero di fonti, numero di parole chiave, durata e numero medio di citazioni.
“docs per autori” è calcolato come rapporto tra il numero totale di autori e il numero totale di articoli.
“co-autori per articolo” è calcolato come numero medio di co-autori per articolo.
MAIN INFORMATION ABOUT DATA
Timespan 1987 : 2024
Sources (Journals, Books, etc) 394
Documents 1279
Annual Growth Rate % 10.17
Document Average Age 10.7
Average citations per doc 13.94
Average citations per year per doc 1.25
References 29749
DOCUMENT CONTENTS
Keywords Plus (ID) 6360
Author's Keywords (DE) 2017
AUTHORS
Authors 1027
Author Appearances 4349
Authors of single-authored docs 17
AUTHORS COLLABORATION
Single-authored docs 77
Documents per Author 1.25
Co-Authors per Doc 3.4
International co-authorships % 32.53
Annual Scientific Production
Year Articles
1987 1
1988 1
1989 1
1990 1
1991 3
1993 4
1994 5
1995 12
1996 7
1997 10
1998 11
1999 9
2000 15
2001 17
2002 25
2003 23
2004 44
2005 29
2006 35
2007 49
2008 54
2009 60
2010 46
2011 44
2012 40
2013 32
2014 50
2015 58
2016 55
2017 60
2018 85
2019 59
2020 73
2021 62
2022 76
2023 87
2024 36
Annual Percentage Growth Rate 10.17
Most Productive Authors
Authors Articles Authors Articles Fractionalized
1 MONTANARI A 200 CHITTARO L 78.6
2 CHITTARO L 164 MONTANARI A 58.6
3 MIZZARO S 131 MIZZARO S 41.1
4 DOVIER A 119 POLICRITI A 40.3
5 POLICRITI A 111 DOVIER A 40.0
6 MICULAN M 84 MICULAN M 37.9
7 PIAZZA C 84 PIAZZA C 27.4
8 FORESTI GL 59 LANCIA G 26.1
9 PICIARELLI C 59 FRANCESCHET M 22.3
10 FONTANA F 57 BRAJNIK G 21.2
Top manuscripts per citations
Paper DOI TC TCperYear NTC
1 CORNIA M, 2018, IEEE TRANS IMAGE PROCESS 10.1109/TIP.2018.2851672 410 58.57 26.48
2 BUTTUSSI F, 2018, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2017.2653117 309 44.14 19.96
3 CHITTARO L, 2007, COMPUT EDUC 10.1016/j.compedu.2005.06.002 297 16.50 12.03
4 CHITTARO L, 2015, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2015.2391853 265 26.50 15.88
5 NADALIN F, 2012, BMC BIOINFORM 10.1186/1471-2105-13-S14-S8 250 19.23 13.66
6 CHITTARO L, 2006, COMPUTER 10.1109/MC.2006.109 250 13.16 7.68
7 PICIARELLI C, 2006, PATTERN RECOGN LETT 10.1016/j.patrec.2006.02.004 222 11.68 6.82
8 JENSEN CS, 1998, LECT NOTES COMPUT SCI 10.1007/bfb0053710 220 8.15 4.51
9 FRANCESCHET M, 2010, J INF 10.1016/j.joi.2010.06.003 185 12.33 6.44
10 FRANCESCHET M, 2010, SCIENTOMETRICS 10.1007/s11192-009-0021-2 177 11.80 6.16
Corresponding Author's Countries
Country Articles Freq SCP MCP MCP_Ratio
1 ITALY 652 0.88227 518 134 0.206
2 SWITZERLAND 12 0.01624 0 12 1.000
3 UNITED KINGDOM 11 0.01488 0 11 1.000
4 USA 9 0.01218 0 9 1.000
5 SPAIN 8 0.01083 0 8 1.000
6 DENMARK 7 0.00947 0 7 1.000
7 FRANCE 6 0.00812 0 6 1.000
8 MEXICO 5 0.00677 0 5 1.000
9 NETHERLANDS 5 0.00677 0 5 1.000
10 FINLAND 3 0.00406 0 3 1.000
SCP: Single Country Publications
MCP: Multiple Country Publications
Total Citations per Country
Country Total Citations Average Article Citations
1 ITALY 11155 17.11
2 DENMARK 227 32.43
3 USA 209 23.22
4 UNITED KINGDOM 200 18.18
5 SPAIN 123 15.38
6 FRANCE 94 15.67
7 MEXICO 81 16.20
8 NETHERLANDS 69 13.80
9 CYPRUS 65 32.50
10 SOUTH AFRICA 65 65.00
Most Relevant Sources
Sources
1 LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
2 CEUR WORKSHOP PROCEEDINGS
3 THEORETICAL COMPUTER SCIENCE
4 LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS LIPICS
5 ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
6 ELECTRONIC PROCEEDINGS IN THEORETICAL COMPUTER SCIENCE EPTCS
7 ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE
8 EURO ADVANCED TUTORIALS ON OPERATIONAL RESEARCH
9 INFORMATION AND COMPUTATION
10 INTERNATIONAL JOURNAL OF HUMAN COMPUTER STUDIES
Articles
1 249
2 118
3 33
4 29
5 26
6 25
7 24
8 16
9 15
10 15
Most Relevant Keywords
Author Keywords (DE) Articles Keywords-Plus (ID) Articles
1 EVALUATION 31 COMPUTER CIRCUITS 125
2 MODEL CHECKING 26 SEMANTICS 103
3 VIRTUAL REALITY 25 TEMPORAL LOGIC 100
4 MOBILE DEVICES 24 LOGIC PROGRAMMING 97
5 INTERVAL TEMPORAL LOGIC 22 ARTIFICIAL INTELLIGENCE 92
6 DEEP LEARNING 21 INFORMATION RETRIEVAL 72
7 CROWDSOURCING 19 AUTOMATA THEORY 68
8 COMPLEXITY 18 INTERVAL TEMPORAL LOGIC 68
9 MACHINE LEARNING 16 ALGORITHMS 64
10 BISIMULATION 15 COMPUTABILITY AND DECIDABILITY 61Autore più produttivo: Prof. Montanari con 200 articoli.
Paese più produttivo: Italia.
Anno più produttivo: 2023 con 87 pubblicazioni.
Anno con media citazioni in articoli più alta: 2018.
Anno con più citazioni: 1987.
Documenti per tipo
DT n
1 CONFERENCE PAPER 713
2 ARTICLE 462
3 BOOK CHAPTER 42
4 EDITORIAL 40
5 REVIEW 16
6 ERRATUM 2
7 BOOK 1
8 DATA PAPER 1
9 NOTE 1
10 SHORT SURVEY 1“Tipo di pubblicazione più presente: conference paper, seguito da articoli e capitoli di libro.
Analisi dei riferimenti citati
E’ possibile analizzare la frequenza dei riferimenti/primi autori più citati nel dataset in analisi.
Papers citati più frequentemente:
[,1]
MOSZKOWSKI B., REASONING ABOUT DIGITAL CIRCUITS, (1983) 36
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUNICATIONS OF THE ACM, 26, 11, PP. 832-843, (1983) 32
BRESOLIN D., GORANKO V., MONTANARI A., SCIAVICCO G., PROPOSITIONAL INTERVAL NEIGHBORHOOD LOGICS: EXPRESSIVENESS, DECIDABILITY, AND UNDECIDABLE EXTENSIONS, ANNALS OF PURE AND APPLIED LOGIC, 161, 3, PP. 289-304, (2009) 25
VENEMA Y., A MODAL LOGIC FOR CHOPPING INTERVALS, JOURNAL OF LOGIC AND COMPUTATION, 1, 4, PP. 453-476, (1991) 25
HALPERN J., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991) 23
VENEMA Y., EXPRESSIVENESS AND COMPLETENESS OF AN INTERVAL TENSE LOGIC, NOTRE DAME JOURNAL OF FORMAL LOGIC, 31, 4, PP. 529-547, (1990) 23
HALPERN J.Y., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991) 21
HILLSTON J., A COMPOSITIONAL APPROACH TO PERFORMANCE MODELLING, (1996) 19
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUN. ACM, 26, 11, PP. 832-843, (1983) 17
BRESOLIN D., MONTANARI A., SCIAVICCO G., AN OPTIMAL DECISION PROCEDURE FOR RIGHT PROPOSITIONAL NEIGHBORHOOD LOGIC, JOURNAL OF AUTOMATED REASONING, 38, 1-3, PP. 173-199, (2007) 16Si noti che 2 articoli del Professor Montanari sono tra i più citati.
Primi autori citati più frequentemente:
[,1]
MONTANARI A 1120
ET AL 1063
SCIAVICCO G 449
DOVIER A 409
MIZZARO S 407
POLICRITI A 381
SALA P 380
CHITTARO L 365
PONTELLI E 348
BRESOLIN D 345
GORANKO V 292
MICULAN M 285
PIAZZA C 271
PERON A 242
FORMISANO A 199E’ possibile notare che gli autori più frequentemente citati sono i Professori Montanari, Dovier, Mizzaro e Policriti.
H-index degli autori
L’h-index è una metrica a livello di autore che cerca di misurare sia la produttività che l’impatto citazionale delle pubblicazioni.
L’indice si basa sull’insieme degli articoli più citati dello scienziato e sul numero di citazioni ricevute in altre pubblicazioni. L’indice è strutturato per quantificare mediante un singolo indice numerico non solo la produzione, ma anche l’influenza di uno scienziato, distinguendolo da chi ha pubblicato molti articoli ma di scarso interesse.
Quindi, uno scienziato ha un indice n se almeno n lavori tra quelli che ha pubblicato sono stati citati almeno n volte ciascuno.
L’i10-index consiste nel numero di pubblicazioni di uno stesso autore con almeno 10 citazioni.
H-index dei primi 10 autori più produttivi (in questa raccolta):
Element h_index i10_index TC NP PY_start
1 CHITTARO L 39 93 4886 164 1991
2 MONTANARI A 23 63 2144 200 1993
3 MIZZARO S 20 40 1453 131 1997
4 POLICRITI A 19 43 1608 111 1990
5 DOVIER A 18 38 1212 119 1998
6 PICIARELLI C 17 25 961 59 2005
7 MICULAN M 16 26 709 84 1994
8 PIAZZA C 16 23 894 84 2000
9 FORESTI GL 15 23 874 59 2005
10 FONTANA F 9 8 262 57 2010Gli autori con l’H-index più alto sono i Prof. Chittaro (39), Prof. Montanari (23) e Prof. Mizzaro (20).
Matrici di rete bibliografica
Gli attributi dei paper sono collegati tra loro attraverso il paper stesso: autore/i alla rivista, parole chiave alla data di pubblicazione, ecc. Alcune delle analisi descrittive viste in precedenza si possono visualizzare attraverso reti bipartite.
Reti bipartite
Queste connessioni di diversi attributi generano reti bipartite che possono essere rappresentate come matrici rettangolari (Papers x Attributi).
Rete Paper x Fonte di pubblicazione:
L’oggetto è una matrice binaria rettangolare che rappresenta una rete bipartita in cui le righe e le colonne sono, in questo caso, rispettivamente papers e fonti.
L’elemento generico \(bip_{ij}\) è 1 se il paper \(i\) è stato pubblicato nella fonte \(j\), 0 altrimenti.
La somma della colonna \(j\)-esima \(bip_j\) rappresenta il numero di papers pubblicati nella fonte \(j\).
Fonti di pubblicazione più rilevanti:
LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
249
CEUR WORKSHOP PROCEEDINGS
118
THEORETICAL COMPUTER SCIENCE
33
LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS, LIPICS
29
ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES
26 Rete degli autori: Paper x Autore, conta quanti articoli fatti da autori.
MONTANARI A CHITTARO L MIZZARO S DOVIER A POLICRITI A
200 164 131 119 111 Accoppiamento bibliografico - autori
Le pubblicazioni scientifiche contengono riferimenti ad altri lavori scientifici. Questo genera un’altra rete, quella delle reti di accoppiamento o co-citazioni.
Due autori sono accoppiati bibliograficamente se almeno una fonte citata compare nelle loro pubblicazioni.
Rete di accoppiamento: \[B = A\cdot A^T\] dove A è una rete bipartita (Papers x Citazioni). Due autori sono collegati da un arco nella rete se citano insieme uno o più documenti.
L’elemento \(b_{i,j}\) indica quanti accoppiamenti bibliografici esistono tra \(i\) e \(j\). La forza dell’accoppiamento di due autori, \(i\) e \(j\), è definita dal numero di riferimenti che gli autori hanno in comune.
L’accoppiamento bibliografico tra autori è una misura di quanto due autori condividono riferimenti comuni nelle loro pubblicazioni. In altre parole, quanti autori citano gli stessi lavori nelle loro ricerche.
Analisi della rete
Il nodo più centrale della rete risulta essere il Professor Montanari, con i valori più alti di tutti nelle metriche 1.
vertex cluster btw_centrality clos_centrality eigen_centrality pagerank_centrality
1 montanari a 1 13.39368687 0.05263158 1.0000000 0.07111749
2 chittaro l 1 11.48971861 0.05000000 0.9682914 0.06751231
4 dovier a 1 6.34844877 0.04761905 0.9517021 0.06355369
5 policriti a 1 1.01709957 0.04166667 0.8519340 0.05281062
6 miculan m 1 2.87857143 0.03703704 0.6407811 0.04390158
7 piazza c 1 4.41273449 0.04545455 0.9197720 0.05994769
10 formisano a 1 0.22222222 0.03703704 0.7017598 0.04287273
11 pontelli e 1 5.30357143 0.04545455 0.9043967 0.06022433
13 sala p 1 0.09090909 0.03846154 0.7612207 0.04604983
14 sciavicco g 1 9.21749639 0.05000000 0.9780838 0.06727353
16 peron a 1 0.40202020 0.04000000 0.8086375 0.04939492
17 bresolin d 1 0.09090909 0.03846154 0.7612207 0.04604983
18 bozzelli l 1 0.00000000 0.03703704 0.7001122 0.04280464
19 della monica d 1 1.01709957 0.04166667 0.8519340 0.05281062
20 molinari a 1 0.40202020 0.04000000 0.8086375 0.04939492
3 mizzaro s 2 1.38253968 0.03571429 0.5347086 0.04137361
8 foresti gl 2 0.66468254 0.03333333 0.3904441 0.03500198
9 piciarelli c 2 0.52182540 0.03225806 0.3243567 0.03169540
12 roitero k 2 0.87301587 0.03448276 0.4725611 0.03810668
15 serra g 2 1.27142857 0.03448276 0.4692827 0.03810361
Main statistics about the network
Size 1027
Density 0.015
Transitivity 0.344
Diameter 5
Degree Centralization 0.175
Average path length 2.893
Main measures of centrality and prestige of vertices
Degree Centrality: Top vertices
Vertex ID Degree Centrality
1 MONTANARI A 0.190
2 DOVIER A 0.182
3 MIZZARO S 0.177
4 POLICRITI A 0.166
5 CHITTARO L 0.161
6 PIAZZA C 0.147
7 ROITERO K 0.136
8 SCIAVICCO G 0.117
9 SERRA G 0.116
10 DELLA MEA V 0.115Densità: indica una rete sparsa, poco collegata.
Transitività: rete poco clusterizzata.
Centralizzazione del grado: misura che valuta quanto una rete è centralizzata in base alla distribuzione del grado dei nodi. Vi sono alcuni nodi con un numero di collegamenti significativamente maggiore rispetto alla maggior parte degli altri nodi, ma la distribuzione dei gradi non è uguale.
Lunghezza media dei percorsi: molto breve, rete compatta e ben collegata.
Collaborazione autori
La rete di collaborazione scientifica è una rete in cui i nodi sono gli autori e i legami sono le coautorialità in articoli, in quanto quest’ultima è una delle forme più documentate di collaborazione scientifica (Glanzel, 2004).
Due autori sono collegati nella rete se hanno collaborato insieme in un articolo.
Una rete di collaborazione tra autori può essere ottenuta utilizzando la formulazione generale: \[AC=A^T \cdot A\] dove A è una rete bipartita Papers x Autori.
L’elemento diagonale \(ac_i\) è il numero di papers di cui il ricercatore \(i\) è autore o coautore.
Analisi della rete
Sono presenti 4 clusters ed in ognuno di essi è presente almeno un nodo con dei valori alti di centralità, il che indica un ruolo di connessione e influenza all’interno del cluster.
cluster 1: Prof. Chittaro e Prof. Serra
cluster 2: Prof. Policriti e Prof. Dovier
cluster 3: Prof. Montanari
cluster 4: Prof. Mizzaro e Prof. Della Mea
vertex cluster btw_centrality clos_centrality eigen_centrality pagerank_centrality
2 chittaro l 1 104.0937022 0.01724138 0.5445844 0.04010246
6 miculan m 1 27.7710751 0.01449275 0.3070842 0.02774521
8 foresti gl 1 40.7595238 0.01538462 0.5868884 0.05193366
9 piciarelli c 1 2.5277778 0.01234568 0.3254915 0.02740807
10 fontana f 1 2.0000000 0.01098901 0.1204134 0.01837675
17 scagnetto i 1 33.0877675 0.01470588 0.4221897 0.03271515
18 serra g 1 81.8256989 0.01587302 0.6961796 0.04862541
19 brajnik g 1 5.7349335 0.01408451 0.4288622 0.02630014
21 ranon r 1 5.6619048 0.01190476 0.1142127 0.01849130
27 micheloni c 1 1.4761905 0.01234568 0.3825232 0.02680649
29 tasso c 1 20.1095367 0.01515152 0.6186625 0.04362959
4 dovier a 2 12.9590804 0.01298701 0.5048830 0.03419016
5 policriti a 2 63.0502603 0.01408451 0.7569098 0.06050805
7 piazza c 2 6.4073260 0.01298701 0.5461876 0.03356030
11 formisano a 2 0.0000000 0.01030928 0.2782507 0.02261280
12 lancia g 2 0.0000000 0.01010101 0.1299985 0.01071465
13 pontelli e 2 0.3333333 0.01041667 0.3583081 0.02863919
1 montanari a 3 149.7373916 0.01785714 1.0000000 0.06829667
15 sala p 3 7.6666667 0.01369863 0.5887141 0.03925775
16 sciavicco g 3 65.6352227 0.01587302 0.5545742 0.03266792
20 peron a 3 3.9833333 0.01298701 0.5600494 0.03335311
22 gigante n 3 11.9320095 0.01449275 0.5759793 0.03294865
23 bresolin d 3 0.0000000 0.01315789 0.3681076 0.02139253
24 bozzelli l 3 0.0000000 0.01219512 0.3690480 0.02150901
25 geatti l 3 29.4044085 0.01470588 0.4534128 0.02748925
3 mizzaro s 4 26.0528726 0.01315789 0.6376023 0.04851419
14 roitero k 4 5.2903123 0.01190476 0.4221791 0.03181247
26 della mea v 4 6.2093599 0.01176471 0.3820190 0.03215018
28 demartini g 4 5.2903123 0.01190476 0.4221791 0.03181247
30 maddalena e 4 0.0000000 0.00990099 0.3201366 0.02643640
Main statistics about the network
Size 1027
Density 0.009
Transitivity 0.546
Diameter 7
Degree Centralization 0.115
Average path length 3.764
Main measures of centrality and prestige of vertices
Degree Centrality: Top vertices
Vertex ID Degree Centrality
1 MIZZARO S 0.1238
2 MONTANARI A 0.1101
3 CHITTARO L 0.0984
4 DELLA MEA V 0.0828
5 POLICRITI A 0.0809
6 DOVIER A 0.0760
7 FONTANA F 0.0760
8 LANCIA G 0.0673
9 PIAZZA C 0.0663
10 FORESTI GL 0.0653Densità: molto bassa, indicando che la maggior parte dei possibili collegamenti tra i nodi non esiste.
Transitività: relativamente alta, suggerendo che se due nodi sono entrambi collegati a un terzo nodo, c’è una buona probabilità che siano collegati tra loro. Questo è tipico delle reti con comunità ben definite.
Centralizzazione del grado: non c’è un singolo nodo dominante che ha la maggior parte delle connessioni ma il valore vicino allo 0 indica che la distribuzione dei gradi è abbastanza simile.
Lunghezza media dei percorsi: breve, rete compatta e collegata.
Power measure
Author PowerPercentage
6 MICULAN M 13.824084
5 POLICRITI A 9.242846
4 DOVIER A 6.816099
2 CHITTARO L 6.669387
1 MONTANARI A 6.471173
3 MIZZARO S 5.859651
19 BRAJNIK G 3.817711
60 PERESSOTTI M 3.615529
7 PIAZZA C 3.580627
12 LANCIA G 2.596333
22 FRANCESCHET M 2.564615
27 MIROLO C 2.314060
21 RANON R 2.263985
58 D'AGOSTINO G 1.965212
70 ROMANELLO R 1.789940Analizzando la misura di potenza, la quale afferma che un nodo è potente se è connesso a nodi non potenti, si ricava che i nodi più potenti all’interno della rete delle collaborazioni sono il Prof. Miculan (13.8% del potere totale) e il Prof. Policriti (9.2% del potere totale).
Analisi parole chiave
Rete parole chiave
Rete Bipartita Papers x Keyword Scopus
Ogni paper ha associate delle parole chiave dal database di Scopus.
Word cloud
Dai dati della rete bipartita è possibile creare un dataframe con le frequenze delle parole, da cui si può ricavare una word cloud.
Le tre parole più presenti sono Computer Circuits (125), Semantics (101) e Temporal Logic (99).
Rete co-occorrenze parole chiave
Ci sono 2 cluster di parole chiave:
nel primo, il nodo più centrale secondo le metriche di betweenness e closeness è “Mobile Devices”; mentre “Algorithms” risulta il nodo con centralità di autovettore e PageRank più alto;
nel secondo, “Computer Programming” è il nodo con betweenness e clonesess più alta, mentre “Computer Circuits” ha centralità di autovettore e PageRank più alto.
vertex cluster btw_centrality clos_centrality eigen_centrality pagerank_centrality
6 information retrieval 1 22.7247475 0.01785714 0.046932734 0.02476622
8 algorithms 1 18.5488456 0.01818182 0.177489978 0.04355453
10 virtual reality 1 20.0707431 0.01694915 0.026057497 0.02185408
15 deep learning 1 1.3166667 0.01190476 0.016518711 0.01395509
18 mobile devices 1 93.9319264 0.02173913 0.025046533 0.01951224
20 computer simulation 1 38.2069264 0.01923077 0.102193499 0.02952281
23 user interfaces 1 13.8274170 0.01724138 0.028194766 0.01982834
25 human 1 1.6833333 0.01470588 0.022427446 0.03148577
26 websites 1 3.1761905 0.01562500 0.004812856 0.01289924
28 learning systems 1 15.6822150 0.01754386 0.068954814 0.01805046
29 humans 1 1.7261905 0.01492537 0.019511719 0.02809363
30 article 1 13.8857143 0.01562500 0.021262896 0.02500984
1 computer circuits 2 0.0000000 0.01162791 1.000000000 0.07825275
2 semantics 2 1.5568182 0.01369863 0.546762031 0.05960382
3 temporal logic 2 1.5333333 0.01428571 0.880195258 0.06228314
4 logic programming 2 15.0326840 0.01369863 0.531650385 0.05008125
5 artificial intelligence 2 4.3330087 0.01562500 0.387690911 0.04633843
7 automata theory 2 5.1425325 0.01538462 0.384948938 0.03725686
9 computability and decidability 2 9.9246753 0.01492537 0.452589226 0.03710111
11 model checking 2 1.9833333 0.01515152 0.606129188 0.04286465
12 computer science 2 25.6989177 0.01666667 0.206270171 0.03090169
13 formal logic 2 0.9909091 0.01449275 0.388602120 0.03819471
14 computation theory 2 23.4865079 0.01694915 0.415216373 0.03545831
16 computer programming languages 2 14.0134921 0.01754386 0.333866484 0.03492189
17 problem solving 2 23.4572511 0.01818182 0.181883648 0.03177657
19 mathematical models 2 13.1889250 0.01785714 0.167553626 0.02966851
21 algebra 2 5.2250000 0.01369863 0.199775060 0.02776618
22 calculations 2 15.2571429 0.01587302 0.176872532 0.02015103
24 computational complexity 2 2.0825758 0.01428571 0.249872357 0.02937229
27 computer programming 2 40.8948413 0.01923077 0.136806232 0.01947456
Main statistics about the network
Size 6360
Density 0.004
Transitivity 0.228
Diameter 5
Degree Centralization 0.118
Average path length 2.968
Main measures of centrality and prestige of vertices
Degree Centrality: Top vertices
Vertex ID Degree Centrality
1 SEMANTICS 0.1225
2 COMPUTER CIRCUITS 0.1104
3 ARTIFICIAL INTELLIGENCE 0.1039
4 HUMAN 0.1011
5 LOGIC PROGRAMMING 0.0953
6 ALGORITHMS 0.0904
7 ARTICLE 0.0824
8 AUTOMATA THEORY 0.0797
9 VIRTUAL REALITY 0.0772
10 HUMANS 0.0771Densità: molto bassa.
Transitività: relativamente bassa per la dimensione della rete, le parole chiave tendono a collegarsi a molte altre senza formare gruppi chiusi; riflette i sottogruppi di argomenti o temi che sono discussi insieme.
Centralizzazione del grado: molto basso, distribuzione del grado è quindi abbastanza uniforme, con poche parole chiave dominanti.
Lunghezza media dei percorsi: breve, rete compatta e collegata.
Mappa tematica
L’analisi di co-occorrenza delle parole chiave genera cluster tematici, la cui densità e centralità permettono di classificarli e mapparli in un diagramma bidimensionale, creando una mappa tematica.
Essa consente di analizzare i temi in base al quadrante in cui sono collocati:
quadrante in alto a sinistra: temi molto specializzati/di nicchia (cluster molto denso e poco centrale);
quadrante in alto a destra: temi motori (cluster molto denso e molto centrale);
quadrante in basso a sinistra: temi emergenti o in via di estinzione (cluster poco denso e poco centrale);
quadrante in basso a destra: temi di base (cluster poco denso ma molto centrale).
Ad esempio, il cluster in cui spicca la parola “algorithms” è nel quadrante dei temi di base, mentre “crowdsourcing” si trova nel quadrante dei temi emergenti o in declino. Il cluster con “finite element method” si trova nel quadrante dei temi di nicchia.
La colonna n.rel si riferisce alle frequenze relative delle parole all’interno del cluster di appartenenza.
# A tibble: 45 × 4
# Groups: Cluster [9]
Cluster Words Occurrences n.rel
<dbl> <chr> <dbl> <dbl>
1 1 algorithms 63 0.0696
2 1 deep learning 37 0.0409
3 1 computer simulation 37 0.0409
4 1 learning systems 31 0.0343
5 1 database systems 30 0.0331
6 2 semantics 101 0.0474
7 2 logic programming 92 0.0432
8 2 artificial intelligence 88 0.0413
9 2 automata theory 67 0.0315
10 2 computer science 55 0.0258
# ℹ 35 more rowsConclusione FINIRE
SCRIVERE EFFETTIVAMENTE COSA HO RICAVATO DALLE PREMESSE INIZIALI + LE COSE IN PIU
TUTTE LE RETI HANNO LA PROPRIETà PICCOLO MONDO
L’analisi bibliometrica ha evidenziato diversi aspetti importanti, anche attraverso l’analisi delle varie reti.
La rete dell’accoppiamento bibliografico tra autori ha mostrato come gli autori del dipartimento siano collegati tra loro attraverso le citazioni comuni, indicando una forte interconnessione tematica e la presenza di aree di ricerca ben definite e collaborazioni frequenti.
La rete di collaborazione tra autori ha rivelato una struttura coesa con alcuni autori chiave che fungono da nodi centrali. La centralizzazione è moderata, e la rete presenta una buona transitività e un diametro contenuto, suggerendo che gli autori collaborano spesso e che ci sono percorsi relativamente brevi tra di loro.
La rete delle co-occorrenze delle parole chiave ha messo in luce le principali aree di ricerca del dipartimento e le connessioni tematiche tra di esse. Alcune parole chiave emergono come particolarmente centrali e frequenti, riflettendo le aree di maggiore interesse e attività all’interno del dipartimento.
In sintesi, si può dire che all’interno del dipartimento operano gruppi di ricerca che si distinguono per una notevole produttività scientifica, la quale si traduce in un significativo apporto alla letteratura di settore. Pur focalizzandosi su ambiti di ricerca differenti, i gruppi collaborano attivamente tra loro, favorendo lo scambio di conoscenze e competenze.
Tutte le nozioni viste a lezione sono utilizzate ma non ri-definite.↩︎